Ny tilgang udfordrer datamængdens tyranni

En ny metode til at træne AI-softwareagenter vender op og ned på den udbredte forestilling om, at “mere data altid er bedre”. Forskere fra Shanghai Jiao Tong University og SII Generative AI Research Lab har med LIMI-metoden (Less Is More for Agency) vist, at blot 78 nøje udvalgte træningseksempler kan gøre en AI-agent mere kompetent end tusindvis af generiske data. Det åbner døren for virksomheder og organisationer, der ikke har adgang til enorme datasæt, men stadig ønsker avancerede AI-agenter til komplekse opgaver.

Hvad er LIMI, og hvorfor er det banebrydende?

LIMI bygger på et enkelt, men kraftfuldt princip: Kvaliteten og strukturen af træningsdata er vigtigere end mængden. Forskerne har finjusteret store sprogmodeller (GLM-4.5 og GLM-4.5-Air) med kun 78 lange, detaljerede “trajectories” – altså komplette workflow-forløb, hvor agenten løser komplekse opgaver med brug af værktøjer og flere beslutningsrunder. Resultatet er en agent, der scorer 73,5% på AgencyBench – markant over både basismodellen og andre metoder, der bruger op til 10.000 eksempler. Det er ikke bare en teoretisk sejr, men et praktisk gennembrud, der kan mærkes i udviklingsafdelingen.

Sådan virker det i praksis

De 78 træningseksempler er ikke tilfældigt udvalgt. 60 stammer fra virkelige forespørgsler fra softwareudviklere, mens 18 er syntetiske, men baseret på højt vurderede GitHub pull requests. Hver opgave bliver løst til ende i et CLI-miljø, hvor alle agentens handlinger, værktøjsvalg og beslutninger logges. Det betyder, at modellen lærer hele processen – fra problemforståelse til løsning og verifikation. Det er netop denne dybde og sammenhæng, der gør forskellen.

Benchmarking: Mindre data, større effekt

LIMI-metoden blev testet mod stærke baselines. Hvor GLM-4.5, trænet på 10.000 eksempler, nåede 47,8% på AgencyBench, ramte LIMI hele 73,5% – altså 53,7 procentpoint højere, og med 128 gange færre eksempler. Også på tværs af andre benchmarks, som TAU2, EvalPlus og SciCode, præsterer LIMI bedre end både basismodeller og andre SFT-metoder. Det viser, at metoden ikke kun virker i laboratoriet, men også på tværs af forskellige opgavetyper og domæner.

Hvad betyder det for SaaS-virksomheder?

For CTO’er og udviklingsteams i SaaS-branchen er det især interessant, at LIMI-metoden gør det realistisk at træne specialiserede AI-agenter uden at skulle opbygge eller købe kæmpe datasæt. Det gør eksperimentering og hurtig iteration langt mere tilgængelig. Forestil dig at kunne bygge en agent, der forstår jeres interne processer, ved blot at optage og annotere en håndfuld nøgle-workflows fra jeres bedste medarbejdere. Det er ikke længere en drøm forbeholdt tech-giganterne.

Implementering i eksisterende udviklingsmiljøer

LIMI kræver, at man kan indsamle og strukturere “trajectories” – altså komplette opgaveløsninger, hvor både beslutningsgrundlag, værktøjsbrug og resultater dokumenteres. Det kan gøres i eksisterende CLI- eller IDE-miljøer, hvor man logger interaktioner og bagefter annoterer dem. For mange udviklingsteams vil det kræve et tæt samarbejde mellem domæneeksperter og ML-ingeniører, men selve datamængden er overskuelig og langt mere håndterbar end traditionelle AI-projekter.

Compliance og dokumentation i regulerede brancher

I finanssektoren og andre regulerede brancher er det afgørende at kunne dokumentere, hvordan AI-agenter træffer beslutninger. LIMI’s fokus på få, men gennemdokumenterede eksempler gør det lettere at validere og auditere agentens adfærd. Hver “trajectory” kan gennemgås og godkendes, hvilket kan styrke compliance og reducere risikoen for uforudsete fejl. Det er et stort plus, når man skal leve op til skrappe krav fra myndigheder og revision.

Risici og faldgruber: Kan så få eksempler være nok?

En naturlig skepsis opstår: Kan man virkelig stole på en agent, der kun har set 78 eksempler? Forskerne bag LIMI peger på, at det kun gælder, hvis eksemplerne er ekstremt repræsentative og dækker de vigtigste variationer i opgaverne. Der er stadig risiko for “blind spots” – altså situationer, hvor agenten ikke har set lignende problemer før. Derfor bør man altid supplere med grundig test og løbende monitorering. Det er ikke et quick fix, men en metode, der kræver omtanke og kvalitet i dataindsamlingen.

Eksempler fra praksis: Fra bank til offentlig sektor

Selvom LIMI endnu ikke er bredt implementeret i danske virksomheder, peger metoden på oplagte anvendelser. I banker kan man eksempelvis optage og annotere compliance-workflows, så agenten lærer at håndtere KYC eller anti-hvidvask-procedurer. I det offentlige kan man træne agenter til at håndtere borgerhenvendelser eller sagsbehandling, selv med begrænsede dataressourcer. Det handler om at identificere de processer, hvor kvaliteten af eksemplerne kan gøre den største forskel.

Sådan samler du kvalitetsdata

Det afgørende er at fokusere på “long-horizon” workflows, hvor agenten skal planlægge, bruge værktøjer og verificere resultater. Det kan gøres ved at optage skærmsessioner, logge alle handlinger og bagefter annotere beslutningspunkter og fejlhåndtering. Kvaliteten af annotationen er vigtigere end kvantiteten af eksempler. Her kan Snilld hjælpe med både proces og værktøjer, så I får mest muligt ud af jeres dataindsamling.

Sammenligning med andre SFT-metoder

LIMI adskiller sig fra klassisk supervised fine-tuning (SFT), hvor man ofte bruger tusindvis af korte, generiske eksempler. Her er det dybden og sammenhængen i hvert eksempel, der gør forskellen. Benchmarks viser, at LIMI slår både GLM-4.5 og andre populære agent-metoder på tværs af flere opgavetyper. Det er ikke bare en teoretisk gevinst, men en praktisk fordel, der kan mærkes i hverdagen.

Er det for alle? Også mindre organisationer kan være med

En af de store fordele ved LIMI er, at selv mindre virksomheder og offentlige institutioner kan komme i gang. Man behøver ikke et stort AI-team – det vigtigste er at kunne identificere og optage de mest kritiske og repræsentative workflows. Det gør metoden tilgængelig for langt flere end de traditionelle “AI first-movers”. Det er lidt som at opdage, at man ikke behøver en Formel 1-mekaniker for at få bilen til at køre – bare man ved, hvor man skal smøre.

Robusthed og ansvarlighed med få data

For at sikre robusthed bør man løbende evaluere agenten på nye, uforudsete opgaver og opdatere træningsdata, hvis der opstår fejl eller uventede beslutninger. Det er også vigtigt at dokumentere alle “trajectories” og have klare retningslinjer for, hvornår agenten må træffe beslutninger autonomt. Ansvarlighed og gennemsigtighed er stadig nøgleord – også når datamængden er lille.

Snillds perspektiv: Hvorfor er det relevant for vores kunder?

Hos Snilld ser vi et stort potentiale i LIMI-metoden for både private og offentlige kunder. Mange står med udfordringen: Hvordan får vi AI-agenter, der forstår vores unikke processer, uden at skulle investere i enorme datasæt? LIMI viser, at det kan lade sig gøre – hvis man fokuserer på kvalitet og dokumentation. Vi hjælper gerne med at identificere de rigtige workflows, strukturere dataindsamlingen og sikre, at agenten lever op til både forretningsmæssige og regulatoriske krav.

Konklusion: Mindre kan være meget mere

LIMI-metoden udfordrer forestillingen om, at AI kun er for de store spillere med uendelige datamængder. Med fokus på få, men stærke eksempler, kan man træne agenter, der både er effektive, dokumenterbare og tilpasset virksomhedens behov. Det kræver omhyggelig udvælgelse og annotation, men åbner for helt nye muligheder – også for dem, der ikke har en AI-afdeling på størrelse med en fodboldbane.

Kilder:

• https://www.marktechpost.com/2025/10/06/a-new-agency-focused-supervision-approach-scales-software-ai-agents-with-only-78-examples/
• https://arxiv.org/html/2509.17567v1
• https://z.ai/blog/glm-4.5
• https://www.linkedin.com/in/asifrazzaq

Målgruppens mening om artiklen

Anne Madsen, CTO i SaaS-virksomhed:
Jeg giver artiklen 92. Den rammer virkelig plet i forhold til vores udfordringer med datasæt og AI-udvikling. Det er både konkret og relevant, og jeg kan se, hvordan vi kan bruge LIMI-metoden i praksis. Det er sjældent, at noget føles så direkte anvendeligt for os.

Jesper Holm, ML-ingeniør i fintech:
Jeg giver den 85. Artiklen forklarer teknologien klart og viser, hvordan den kan bruges i regulerede brancher, hvilket er vigtigt for mig. Jeg savner dog lidt flere tekniske detaljer om, hvordan man sikrer, at de 78 eksempler faktisk dækker alle nødvendige cases.

Maria Jensen, Udviklingschef i offentlig sektor:
Jeg giver den 88. Det er spændende, at mindre organisationer kan komme i gang uden kæmpe datasæt. Artiklen er let at forstå og giver konkrete idéer til, hvordan vi kan bruge AI til sagsbehandling og borgerkontakt. Det er meget inspirerende.

Lars Pedersen, Compliance Officer i bank:
Jeg giver den 80. Det er interessant, at LIMI kan gøre compliance-arbejdet lettere at dokumentere og auditere. Dog er jeg stadig lidt skeptisk over, hvor robust agenten er med så få eksempler, men artiklen adresserer faktisk også den bekymring.

Camilla Sørensen, Produktchef i mellemstor SaaS-virksomhed:
Jeg giver den 90. Artiklen er meget relevant for vores produktudvikling, især fordi vi ikke har ressourcer til store datasæt. Jeg kan godt lide den praktiske tilgang og de konkrete eksempler på, hvordan man kan komme i gang.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af FLUX.1.1 Pro fra Black Forest Labs.